AS_05_2019

Automazione e Strumentazione Giugno/Luglio 2019 METAL applicazioni 75 baseline ( υ Figura 13 , rosso), il consumo specifico cumulativo ex-post ( υ Figura 13 , verde) è risultato essere inferiore del 2.88%. L’analisi condotta su tutti i prodotti finali più frequenti e significativi ha portato al calcolo del risparmio medio generato dal sistema APC , che si è rivelato essere pari al 2% . Conclusioni I risultati presentati nel presente articolo nascono dall’ottima sinergia tra la Business Unit CAM (Control Automation & Monitoring) di Alperia Bartucci e lo staff del Gruppo Feralpi, orientata alla realizzazione del progetto di ottimizzazione del forno di preriscaldo LAM1 presente nello stabilimento di Lonato del Garda (BS). Il pro- getto ha riguardato l’installazione di una solu- zione brevettata di controllo avanzato, proprieta- ria di Alperia Bartucci e la sua applicazione ha apportato miglioramenti rispetto alla precedente gestione manuale del forno. Il commissioning del sistema APC è avvenuto agevolmente attraverso la stretta collaborazione del team Alperia Bartucci con quello del Gruppo Feralpi. Gli operatori di sala controllo sono stati formati sulle caratteristiche e sul funzionamento del sistema di controllo avanzato, il quale ha con- sentito di incrementare il loro profilo tecnico e la loro professionalità. A valle della messa in servizio del sistema di controllo avanzato, sono stati valutati i risparmi di consumo specifico di combustibile generati, confrontando i dati storici ex-ante con quelli ex- post installazione. Prendendo come riferimento le campagne produttive relative ai prodotti finali più frequenti e significativi, si è registrato un abbas- samento del consumo specifico di gas naturale pari al 2% : un risultato molto interessante consi- derando che il forno di riscaldo in questione è un processo fortemente energivoro caratterizzato da un grande consumo di gas naturale. La specifica configurazione hardware e software del sistema di controllo avanzato, costituita da un PC interconnesso alla rete di stabilimento e in grado di ospitare gli algoritmi che supervisionano il processo produttivo e che generano i comandi che automaticamente vengono inviati al forno di preriscaldo, rendono la soluzione proposta da Alperia Bartucci eleggibile ai benefici fiscali previsti della Legge 11 dicembre 2016, n. 232 (Industria 4.0). Riferimenti [1] W. Trinks, M. H. Mawhinney, R. A. Shan- non, R. J. Reed, J. R. Garvey, Industrial Fur- naces . New York, NY, USA: John Wiley & Sons, 2004. [2] A. Martensson, “Energy efficiency improve- ment by measurement and control: a case study of reheating furnaces in the steel industry,” in Proc. 14th National Industrial Energy technology Con- ference , pp. 236-243, 1992. [3] M. Bauer, I. K. Craig, “Economic assess- ment of advanced process control – A survey and framework,” Journal of Process Control , vol. 18, no. 1, pp. 2-18, 2008. [4] H. S. O. Santos, P. E. M. Almeida, R. T. N. Cardoso, “Fuel Costs Minimization on a Steel Billet Reheating Furnace Using Genetic Algo- rithms,” Modelling and Simulation in Engineer- ing , 2017, Article ID 2731902, 2017. [5] Z. Yi, Z. Su, G. Li, Q. Yang, W. Zhang, “Development of a double model slab tracking control system for the continuous reheating fur- nace,” International Journal of Heat and Mass Transfer , 113, 861–874, 2017. [6] Y. X. Liao, J. H. She, M. Wu, “Integrated Hybrid-PSO and Fuzzy-NN Decoupling Control for Temperature of Reheating Furnace,” IEEE Trans. Ind. Electr. , 56(7), 2704-2714, 2009. [7] G. Astolfi, L. Barboni, F. Cocchioni, C. Pepe, “Metodo per il controllo di forni di riscaldo,” Brevetto Italiano n. 0001424136 , Ufficio Italiano Brevetti e Marchi (UIBM), 2016. [8] J. Maciejowski, Predictive Control with Con- straints . Harlow: Prentice Hall; 2002. Figura 13 - Valutazione dei risparmi per uno dei prodotti finali analizzati